왜 그래프를 먼저 보는가

데이터를 받으면 곧장 모형을 만들고 싶어집니다. 그런데 그렇게 하면 다음과 같은 일이 벌어집니다. 나이 열에 250이 들어 있는 줄 모르고 평균을 계산하고, 두 변수의 관계가 U자 곡선인데 상관계수가 0에 가깝다는 이유로 “관계가 없다”고 결론 내립니다. 숫자 요약만으로는 보이지 않는 것들이 있기 때문입니다.

쉽게 말하면: EDA는 본격적인 분석 전에 데이터에게 “너는 어떻게 생겼니?”라고 물어보는 과정입니다.

EDA(Exploratory Data Analysis, 탐색적 자료 분석)는 데이터가 가지는 특성을 파악하기 위해 데이터를 탐색·요약·시각화하는 분석 과정입니다. Exploratory는 “탐험하는”이라는 뜻으로, 결론을 미리 정해 두고 검증하는 것이 아니라 무엇이 있는지 열어 보는 태도를 가리킵니다.

1. EDA의 목적과 절차

목적

왜 이 순서인가: 구조를 모르면 분포를 볼 수 없고, 분포를 모르면 어떤 값이 이상한지 판단할 기준이 없으며, 문제를 정리하지 않은 채 관계를 보면 이상치 하나가 상관계수를 통째로 왜곡합니다.

기술통계는 EDA의 언어

EDA에서 쓰는 숫자 요약을 기술통계(descriptive statistics)라고 합니다. 자료의 특성을 특정 수치로 정리·요약해 표현하는 통계학의 갈래입니다(계산법은 02편과 14편).

• 중심경향척도: 평균, 중앙값, 최빈값
• 산포경향척도: 범위, 분산, 표준편차, 사분위수 범위(IQR)
• 모양: 왜도(치우침), 첨도(뾰족함)

2. 변수의 종류 — 그래프 선택의 출발점

어떤 그래프를 쓸지는 변수의 종류가 결정합니다. 여기서 변수 유형을 잘못 판단하면 그래프 선택도 통째로 틀립니다.

척도 네 가지 — 기출 단골

같은 “숫자”라도 그 숫자가 무엇을 의미하는지에 따라 할 수 있는 계산이 달라집니다. 이것을 척도(scale)라고 합니다.

절대적 0이 없다는 말의 뜻: 섭씨 0도는 “열이 전혀 없음”이 아니라 물이 어는 점이라는 약속입니다. 그래서 “20도는 10도의 두 배로 덥다”는 말은 성립하지 않습니다. 반면 무게 0kg은 정말 아무것도 없음이므로 “20kg은 10kg의 두 배”가 성립합니다. 비율 해석이 가능한가가 등간과 비율을 가르는 유일한 기준입니다.

기출 함정: 브랜드 코드가 1, 2, 3이라고 해서 양적 변수가 아닙니다. 숫자로 적혀 있어도 구분만을 위한 수치이면 명목척도입니다. 반면 “배송에 걸린 시간(분)“은 차이와 비율 해석이 모두 가능한 양적 변수입니다.

3. 한 변수 보기 — 히스토그램과 상자그림

히스토그램

히스토그램(histogram)은 연속형 변수의 값 범위를 여러 구간(bin, 빈)으로 나누고, 각 구간에 몇 개의 값이 들어 있는지를 막대 높이로 그린 그래프입니다.

읽는 법: 막대가 왼쪽에 높이 몰려 있고 오른쪽으로 길게 낮은 막대가 이어집니다. 이 모양이 오른쪽 꼬리가 긴(양의 왜도) 분포입니다. 이런 자료에서는 소수의 아주 느린 배송 건이 평균을 위로 끌어올리므로, 평균보다 중앙값이 “보통의 배송 시간”을 더 잘 대표합니다.

주의: 히스토그램은 구간 폭(bin 너비)에 따라 모양이 달라집니다. 구간을 너무 넓게 잡으면 봉우리가 뭉개져 하나로 보이고, 너무 좁게 잡으면 들쭉날쭉해서 패턴이 안 보입니다. 같은 데이터로 정반대의 인상을 줄 수 있으므로, 한 폭만 보고 결론을 내리면 안 됩니다.

막대그래프와 다른 점: 막대그래프(bar chart)는 범주형 변수의 빈도를 그리므로 막대 사이가 떨어져 있고 순서를 바꿔도 됩니다. 히스토그램은 연속형의 구간을 그리므로 막대가 붙어 있고 순서를 바꿀 수 없습니다.

상자그림

상자그림(box plot, 박스플롯)은 다섯 개 숫자로 분포를 요약합니다.

• 상자: Q1부터 Q3까지. 가운데 50퍼센트가 여기에 들어 있습니다. 상자의 길이가 곧 IQR입니다
• 상자 안 선: 중앙값(Q2)
• 수염(whisker): 경계값까지 뻗은 선
• 점: 경계 밖의 값, 즉 이상치 후보

이상치 경계 계산은 02편에서 다룬 그대로입니다.

상자그림으로 읽어 내는 것:

• 중앙값 선이 상자의 가운데가 아니라 아래쪽에 치우쳐 있으면 → 위쪽이 넓다는 뜻이므로 오른쪽 꼬리 가능성
• 상자가 짧으면 → 가운데 50퍼센트가 좁게 몰려 있음(산포 작음)
• 점이 위쪽에만 여럿 있으면 → 높은 쪽 극단값이 있음

히스토그램과 상자그림 중 무엇을 쓰나: 히스토그램은 모양(봉우리가 몇 개인지, 어떻게 생겼는지) 을 보여 주고, 상자그림은 요약값과 이상치를 보여 주며 여러 집단을 나란히 비교하기 좋습니다. 봉우리가 두 개인 분포는 상자그림으로는 절대 알 수 없다는 점이 상자그림의 한계입니다.

4. 두 변수 보기 — 산점도

산점도(scatter plot)는 두 수치형 변수를 각각 가로축·세로축에 두고 관측치 하나를 점 하나로 찍은 그래프입니다.

읽는 법 세 가지:

• 방향: 점들이 오른쪽 위로 향하면 양의 관계, 오른쪽 아래로 향하면 음의 관계
• 강도: 점들이 직선 가까이 모여 있을수록 강한 관계
• 형태: 직선인가, 곡선인가, 무리가 나뉘어 있는가

왜 상관계수만 보면 안 되는가: 상관계수(16편에서 계산)는 선형 관계의 세기만 잽니다. 두 변수의 관계가 U자 곡선이면 왼쪽 절반은 음의 관계, 오른쪽 절반은 양의 관계라 서로 상쇄되어 상관계수가 0에 가깝게 나옵니다. 산점도를 보면 명백한 관계가 보이는데도 말입니다. “상관계수 0 = 관계 없음”이 아니라 “선형 관계 없음” 이라는 점이 시험 함정으로 자주 나옵니다.

단변량인가 이변량인가 — 기출 판정 문제: “다음 중 한 변수만을 이용한 이상치 탐지 방법으로 보기 어려운 것은?”에서 정답은 산점도입니다. 상자그림의 IQR 기준, 표준화 점수(z-score)의 절댓값, 단변량 히스토그램은 모두 한 변수만 봅니다. 산점도는 기본적으로 두 변수의 좌표를 함께 비교하는 이변량 도구입니다.

5. 어떤 그래프를 쓸 것인가 — 선택 규칙

자주 틀리는 점: 파이 차트(원 그래프)는 전체에 대한 구성비를 보여 주지만, 사람은 각도의 크기를 정확히 비교하지 못합니다. 조각이 다섯 개를 넘거나 값이 비슷하면 막대그래프가 언제나 더 낫습니다. 시험에서 “구성비를 정확히 비교해야 할 때 가장 적절한 그래프”를 물으면 파이 차트가 정답이 아닌 경우가 많습니다.

6. 시각적 함정 — 4과목으로 이어지는 핵심

같은 데이터로 정반대의 인상을 주는 것이 가능합니다. 4과목(23편)에서 “시각적 왜곡 방지”로 출제되는 내용의 뿌리가 여기입니다.

함정 1 — 잘린 축(truncated axis)

세로축을 0에서 시작하지 않고 잘라내면 작은 차이가 거대해 보입니다. 매출이 100에서 103으로 3퍼센트 올랐는데, 세로축을 99부터 104까지로 잡으면 막대 높이가 몇 배 차이로 보입니다.

원칙: 막대그래프의 세로축은 0에서 시작해야 합니다. 막대의 길이가 곧 값을 의미하기 때문입니다. 반면 선 그래프는 변화 추세를 보는 것이 목적이므로 0에서 시작하지 않아도 되지만, 축의 범위를 반드시 표시해야 합니다.

함정 2 — 이중 축(dual axis)

한 그림에 세로축을 두 개 두고 서로 다른 단위의 두 계열을 겹쳐 그리면, 축의 범위를 어떻게 잡느냐에 따라 두 선이 “함께 움직인다”고도 “반대로 움직인다”고도 보이게 만들 수 있습니다. 상관을 주장하는 근거로 이중 축 그림을 쓰는 것은 부적절합니다.

함정 3 — 면적·부피 왜곡

값이 2배인 것을 표현하려고 원의 지름을 2배로 그리면 면적은 4배가 되어 훨씬 큰 차이로 보입니다. 원이나 아이콘의 크기로 값을 나타낼 때는 면적을 값에 비례시켜야 합니다.

함정 4 — 색상과 순서

• 순서가 있는 값(낮음→높음)에는 한 색상의 밝기 단계(순차형 팔레트)를 씁니다
• 순서가 없는 범주에는 서로 다른 색상(범주형 팔레트)을 씁니다
• 무지개 색상 배열은 밝기 순서가 직관과 어긋나 값의 크기 비교를 방해합니다
• 빨강·초록만으로 구분하면 색각 이상 사용자가 읽을 수 없습니다

함정 5 — 상관과 인과의 혼동

산점도에서 두 변수가 함께 움직인다고 해서 하나가 다른 하나의 원인이라는 뜻은 아닙니다. 아이스크림 판매량과 익사 사고 건수는 강한 양의 상관을 보이지만, 둘 다 기온이라는 제3의 변수 때문에 함께 오르는 것입니다. 이런 숨은 변수를 교란변수(confounding variable)라고 합니다.

쉽게 말하면: 함께 움직인다(상관)와 하나가 다른 하나를 움직인다(인과)는 완전히 다른 주장입니다.

7. 요약표만 보고 해석하기 — 기출 유형 연습

기출은 그림 대신 요약표를 주고 해석을 고르게 하는 경우가 많습니다. 다음 표를 함께 읽어 봅시다.

단계별 판정:

해석: 정답은 2번 판정입니다. 이 유형에서 오답은 대부분 “가능성”을 “확정”으로 바꾸거나, 표에 없는 정보를 있다고 가정해서 만들어집니다. 요약표 문제를 만나면 “이 보기가 주장하는 것을 이 표만으로 정말 알 수 있는가”를 매번 되물으세요.

핵심 정리

• EDA는 데이터를 탐색·요약·시각화해 구조·분포·문제·관계를 파악하는 과정이며, 전처리와 모델링의 방향을 결정한다.
• 척도는 명목(구분) → 서열(순서) → 등간(간격, 절대 0 없음) → 비율(절대 0 있음) 순으로 정보량이 늘어난다. 숫자로 적혀 있어도 구분용이면 명목이다.
• 히스토그램은 분포 모양, 상자그림은 요약값과 이상치, 산점도는 두 변수의 관계를 본다. 산점도는 이변량 도구라 단변량 이상치 탐지 방법이 아니다.
• 상자그림의 이상치 경계는 $Q_1 - 1.5 \times IQR$ 과 $Q_3 + 1.5 \times IQR$ 이며 1.5는 관례적 배수다.
• 시각적 함정은 잘린 축, 이중 축, 면적 왜곡, 색상 선택, 상관과 인과의 혼동이다. 막대그래프의 축은 0에서 시작해야 한다.
• 요약표 해석 문제는 “가능성”과 “확정”을 구분하고, 표에 없는 정보를 가정하지 않는 것이 관건이다.

마무리 복습

참고 자료

• 코리아IT아카데미 - 빅데이터 분석기사 
• Inflearn 가이드 - 빅데이터분석기사 어떻게 준비해야 할까? 
• YDDaily - 빅데이터 분석기사 완벽 가이드